Scale AI 官方 Remote Labor Index(RLI)排行榜显示,Anthropic 的 Claude Fable 5.2 自动化率为 41.25%,排名第一;第二名 Opus 5.5 为 21.25%,GPT 6 Astra 为 20.83%,Gemini Argon 4 为 17.08%。RLI 由 Center for AI Safety 和 Scale AI 推出,用真实付费的远程自由职业项目考察 Agent 能否端到端交付合格成果。该结果在 X 上被 @kimmonismus 转述后引发热议。

核心要点速览

  • ✓Scale AI 官方 RLI 榜单:Fable 5.2 41.25% 第一,Opus 5.5 21.25%,GPT 6 Astra 20.83%,Fable 5.1 17.92%,Gemini Argon 4 17.08%
  • ✓RLI 的分数是“自动化率”:Agent 交付的成果达到客户可接受标准的项目占比,官方说明该指标没有置信区间
  • ✓官方评分使用 230 个项目的私有测试集;项目来自游戏开发、产品设计、建筑、数据分析、视频动画等领域,总计超过 6,000 小时、价值超过 14 万美元的真实工作
  • ✓RLI 官网称近 3 个月自动化率约每 3.3 个月翻一倍;榜单上早期 Agent(如 Manus 1.0、gpt-5.2)只有约 2.5%
  • ✓41.25% 也意味着多数项目仍未达标,交付前的人工审核依然必要
🧭

把技术选型换算成你的开发预算

40 款主流编程套餐横向比价,支持输入/输出 Token 真实账单模拟

🔬

深度技术解析与实战评估

核心背景与行业痛点

很多 AI 基准测的是知识和推理题,很难说明模型在真实工作里能创造多少价值。Center for AI Safety(CAIS)和 Scale AI 推出的 Remote Labor Index(RLI)换了一个角度:直接拿真实付费的远程自由职业项目,看 Agent 能否端到端交付客户能接受的成果。最近 Scale AI 官方榜单上,Anthropic 的 Claude Fable 5.2 以 41.25% 排名第一,@kimmonismus 在 X 上转述后获得上千点赞,讨论持续到 11 月 16 日。

架构亮点与底层机制

RLI 的分数叫“自动化率”,即成果达到可接受标准的项目占比,官方说明没有置信区间。项目覆盖游戏开发、产品设计、建筑、数据分析、视频动画等,成本和耗时都来自实际完成项目的专业人员,总计超过 6,000 小时、价值超过 14 万美元。官方排行榜用 230 个项目的私有测试集评分,以减少数据污染。

权威 Benchmark 与实测跑分对比

Scale AI 官方榜单:Fable 5.2 41.25%,Opus 5.5 21.25%,GPT 6 Astra 20.83%,Fable 5.1 17.92%,Gemini Argon 4 17.08%,Fable 5 15.83%,新上榜的 DeepSeek V4.1 Flash 为 9.58%。榜单下方的早期 Agent,如 Manus 1.0 和 gpt-5.2,只有约 2.5%。RLI 官网称近 3 个月自动化率约每 3.3 个月翻一倍。

开发者实战落地与开箱指南

41.25% 说明顶级 Agent 已能独立完成相当一部分真实外包项目,但也意味着近六成项目仍不达标。评测给的是完整需求说明,现实工作中写需求、验收结果仍要靠人。团队如果想用 Fable 5.2 处理设计、数据分析或小型开发外包,建议先挑边界清楚的任务试点,并保留人工审核环节。

实战指南准备好将技术转化为生产力?

即刻查看该技术对应模型与主流工具的实测差异,或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。

接着读Anthropic 推出 Claude Meetings 测试版:Claude 作为可见参会者加入 Google Meet,边开会边写文档、画白板、记纪要,Team 与 Enterprise 套餐开始推送
立即阅读→